摘要：在城市交通中，時(shí)常出現(xiàn)由于電動(dòng)車騎行者未佩戴頭盔引發(fā)的安全事故。佩戴頭盔可以有效地避免或降低安全事故帶來的損害。為了解決這一問題，提出了一種基于YOLOv8的電動(dòng)車頭盔佩戴檢測方法。首先采集數(shù)據(jù)并對(duì)數(shù)據(jù)集進(jìn)行手工標(biāo)注，然后將標(biāo)注好的數(shù)據(jù)集分別通過YOLOv8模型的4種模型進(jìn)行訓(xùn)練，即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型，從而得到最適合檢測電動(dòng)車頭盔佩戴的模型。實(shí)驗(yàn)結(jié)果表明，相較于其他三種模型，YOLOv8m模型更適用于電動(dòng)車頭盔佩戴檢測。

關(guān)鍵詞：YOLOv8；YOLOv8m模型；城市交通；目標(biāo)檢測；電動(dòng)車頭盔佩戴檢測

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）23-0014-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，機(jī)動(dòng)車的保有量急劇增加，城市交通擁堵現(xiàn)象越發(fā)嚴(yán)重。電動(dòng)自行車以其輕便、速度快、節(jié)能等優(yōu)點(diǎn)成為人們短距離出行的主要方式[1]。據(jù)工業(yè)和信息化部消息，我國的電動(dòng)自行車社會(huì)保有量已達(dá)3.5億輛[2]。與此同時(shí)，由電動(dòng)車違規(guī)騎行引起的交通事故也在增加，其中電動(dòng)車騎行者不佩戴頭盔的現(xiàn)象尤為突出。據(jù)統(tǒng)計(jì)，電動(dòng)車駕駛者死亡事故中約有80%為腦顱損傷致死，而死亡者大多數(shù)并未佩戴頭盔。若電動(dòng)車騎行人員正確佩戴頭盔，能夠?qū)⒂纱嗽斐傻慕煌ㄊ鹿仕劳鲲L(fēng)險(xiǎn)降低60%～70%，這對(duì)保護(hù)電動(dòng)車騎行者的生命安全有著至關(guān)重要的作用。

隨著2020年4月“一盔一帶”安全守護(hù)行動(dòng)在全國各地的開展，已經(jīng)有許多國內(nèi)學(xué)者對(duì)電動(dòng)車頭盔佩戴檢測展開了研究[3]。電動(dòng)車頭盔佩戴檢測屬于目標(biāo)檢測中的一種。目標(biāo)檢測算法主要分為傳統(tǒng)目標(biāo)檢測算法和基于深度學(xué)習(xí)的目標(biāo)檢測算法。當(dāng)下應(yīng)用較為廣泛的是基于深度學(xué)習(xí)的目標(biāo)檢測算法，其分為One-Stage算法和Two-Stage算法。One-Stage算法（如YOLO[4]、SSD[5]） 有著更快的檢測速度，而Two-Stage算法（如Fast R-CNN[6]） 則有著更高的檢測精度。由于目前的電動(dòng)車頭盔佩戴檢測對(duì)實(shí)時(shí)性有著較高的要求，因此較多學(xué)者選擇了檢測速度較快的YOLO算法，并在原模型基礎(chǔ)上提出了各自的改進(jìn)算法，提高了檢測效率。例如，吳冬梅等提出了基于改進(jìn)YOLOv4算法的電動(dòng)車駕駛?cè)藛T頭盔佩戴檢測方法，將數(shù)據(jù)集利用K-means算法進(jìn)行聚類，在CSPDarknet53主干特征提取網(wǎng)絡(luò)的輸出層增加卷積層，并在PANet網(wǎng)絡(luò)部分增加SPP空間池化金字塔，以增加感受野，從而提高對(duì)電動(dòng)車駕駛員是否佩戴頭盔的檢測能力[7]；王艷鵬等利用數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集，再將主干網(wǎng)絡(luò)CSPDarknet中普通卷積改為深度可分離卷積，然后運(yùn)用K-means++聚類算法對(duì)網(wǎng)絡(luò)anchors進(jìn)行重新設(shè)置，最終改進(jìn)后的YOLOv4網(wǎng)絡(luò)的平均精度均值（mAP） 提高了2.75%[8]；朱碩等利用改進(jìn)的YOLOv5神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得最優(yōu)權(quán)重參數(shù)，使得改進(jìn)后的YOLOv5算法對(duì)于頭盔的檢測精度達(dá)到98%，比原始神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確度提高了1%～2%[9]；朱周華等引入卷積塊注意力模塊和協(xié)調(diào)注意力模塊，采用改進(jìn)的非極大值抑制（NMS） ，增加多尺度特征融合檢測，并結(jié)合密集連接網(wǎng)絡(luò)改善特征提取效果，建立了基于改進(jìn)YOLOv5s的電動(dòng)車駕駛?cè)祟^盔檢測系統(tǒng)[10]。

1 YOLOv8 算法

YOLOv8是Ultralytics公司在2023年1月10日開源的YOLO系列的新算法，目前支持圖像分類、物體檢測和實(shí)例分割任務(wù)，并基于縮放系數(shù)提供了五種尺度算法以滿足不同場景需求。YOLOv8系列包含5個(gè)模型，從小到大分別是YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l和YOLOv8x。其中，YOLOv8 Nano（YOLOv8n） 是最小且速度最快的模型，而YOLOv8 Extra Large（YOLOv8x） 則是最準(zhǔn)確但速度較慢的模型。

YOLOv8由于采用了新的骨干網(wǎng)絡(luò)、檢測頭和損失函數(shù)，并且可以在包括CPU和GPU的多種硬件平臺(tái)上運(yùn)行。因此，相比其他版本，YOLOv8在速度、準(zhǔn)確度、硬件支持等方面都得到了提高。這些優(yōu)勢使其成為了目前目標(biāo)檢測、圖像分割等任務(wù)中最流行、最成功的模型算法之一。YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)主要包括Backbone骨干網(wǎng)絡(luò)、Neck頸部結(jié)構(gòu)和Head頭部結(jié)構(gòu)三部分，如圖1所示[11]。

1） Backbone：骨干網(wǎng)絡(luò)實(shí)現(xiàn)特征提取。該部分將YOLOv5的C3模塊替換為梯度流更豐富的C2f模塊，并對(duì)不同尺度模型調(diào)整了不同的通道數(shù)。與YOLOv5的C3模塊相比，C2f模塊具有更少的參數(shù)量和更優(yōu)秀的特征提取能力。

2） Neck：頸部結(jié)構(gòu)實(shí)現(xiàn)特征融合。該部分通過多尺度特征融合，將來自Backbone骨干網(wǎng)絡(luò)的不同階段的特征圖進(jìn)行融合，以增強(qiáng)特征表示能力。YOLOv8的Neck部分包括一個(gè)SPPF模塊、一個(gè)PAA模塊和兩個(gè)PAN模塊。

3） Head：頭部結(jié)構(gòu)實(shí)現(xiàn)檢測信息輸出。該部分負(fù)責(zé)最終的目標(biāo)檢測和分類任務(wù)。使用的是當(dāng)前主流的解耦頭結(jié)構(gòu)，將檢測頭和分類頭進(jìn)行分離，并將Anchor-Based換成了Anchor-Free檢測頭。Anchor-Free檢測頭生成目標(biāo)檢測結(jié)果，而分類頭則采用全局平均池化來對(duì)每個(gè)特征圖進(jìn)行分類。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)平臺(tái)

為驗(yàn)證本文方法的有效性，本文搭建了相關(guān)實(shí)驗(yàn)平臺(tái)，使用Win10專業(yè)版作為操作系統(tǒng)，PyTorch作為深度學(xué)習(xí)框架對(duì)模型進(jìn)行訓(xùn)練和測試，具體實(shí)驗(yàn)環(huán)境配置如表1所示。

2.2 數(shù)據(jù)集收集

本文采用百度飛槳公開數(shù)據(jù)、網(wǎng)絡(luò)爬取數(shù)據(jù)和實(shí)地拍攝數(shù)據(jù)三種方式相結(jié)合制作了數(shù)據(jù)集。手工去掉不合格的圖像，比如自行車騎行、摩托車騎行等干擾圖像。最后得到的電動(dòng)車騎行圖像共868張，包括電動(dòng)車佩戴頭盔圖像（556張）和電動(dòng)車未佩戴頭盔圖像（312張），如圖2所示。

2.3 數(shù)據(jù)標(biāo)注

使用Labelmg軟件對(duì)數(shù)據(jù)進(jìn)行標(biāo)注。標(biāo)注的數(shù)據(jù)分為2個(gè)類別，佩戴頭盔標(biāo)為WithHelmet類，未佩戴頭盔標(biāo)為WithoutHelmet類。標(biāo)注完畢后，該軟件會(huì)自動(dòng)生成XML文件，便于訓(xùn)練使用。

2.4 評(píng)價(jià)指標(biāo)

本文通過精確率P（Precision） 、召回率R（Recall） 、平均精度均值mAP（mean Average Precision） 來衡量YOLOv8模型對(duì)電動(dòng)車頭盔佩戴情況的檢測效果。平均精度均值mAP是通過將檢測電動(dòng)車頭盔佩戴的AP求平均值而得到。其中AP（Average Precision） 是對(duì)PR曲線求積分，即以精確率P和召回率R所圍成的曲線的面積值。精確率P指分類器判定是正類并且是真正類的部分占所有分類器判定是正類的比例。召回率R指是正類并且確實(shí)是正類的部分占所有確實(shí)是正類的比例。平均精度均值mAP能夠反映電動(dòng)車頭盔的平均檢測水平，mAP值越大，檢測效果越好。

2.5 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果主要是對(duì)算法訓(xùn)練的性能參數(shù)做出整理，根據(jù)實(shí)驗(yàn)結(jié)果對(duì)算法的優(yōu)劣性說明，對(duì)實(shí)驗(yàn)數(shù)據(jù)和實(shí)際檢測效果進(jìn)行分析。在相同配置環(huán)境下進(jìn)行各實(shí)驗(yàn)，經(jīng)訓(xùn)練后對(duì)各算法生成的權(quán)值文件進(jìn)行測試。筆者將YOLOv8的前四種模型用于檢測電動(dòng)車佩戴頭盔，分別是YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l，實(shí)驗(yàn)結(jié)果如表2所示。

分析表2可知，YOLOv8的四種模型中，YOLOv8m的mAP最高，因此可以得出，YOLOv8m是YOLOv8系列最適合用于電動(dòng)車頭盔檢測的算法。

3 結(jié)束語

針對(duì)電動(dòng)車騎乘人員不佩戴頭盔等違法交通問題，本文提出基于YOLOv8的電動(dòng)車佩戴頭盔檢測方法。實(shí)驗(yàn)表明，YOLOv8模型中的YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型中，YOLOv8m的檢測平均精度均值mAP最高，適用于電動(dòng)車頭盔檢測。由于距離、光照、天氣、遮擋等原因，YOLOv8m算法在密集場景或者天氣復(fù)雜的情況下檢測精度還有很大的提升空間，在后續(xù)的工作中將對(duì)此進(jìn)行進(jìn)一步的深入研究。

參考文獻(xiàn)：

[1] 市場規(guī)模近千億 電動(dòng)兩輪車行業(yè)大起底[N].國際金融報(bào)，2021-07-12（12）.

[2] 中華人民共和國工業(yè)和信息化部. 加強(qiáng)電動(dòng)自行車行業(yè)規(guī)范管理 推動(dòng)實(shí)現(xiàn)高質(zhì)量發(fā)展[EB/OL]. [2024-03-10]. https：//www.miit.gov.cn/xwdt/gxdt/sjdt/art/2024/art_2b7a188027d24d39bb064a876e9a2495.html.

[3] 李穎.“一盔一帶” 嚴(yán)格執(zhí)行電動(dòng)車頭盔成熱購[J].中國質(zhì)量萬里行，2020（6）：94-95.

[4] 莊建軍，葉振興.基于改進(jìn)YOLOv5m的電動(dòng)車騎行者頭盔與車牌檢測方法[J].南京信息工程大學(xué)學(xué)報(bào)，2024，16（1）：1-10.

[5] 王新，馮藝楠.基于改進(jìn)SSD的騎行人員佩戴頭盔檢測[J].電子測量技術(shù)，2022，45（21）：90-97.

[6] 李強(qiáng)，趙峰，李博強(qiáng)，等.改進(jìn)的Faster R-CNN算法及其在電力作業(yè)安全穿戴檢測中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2024，57（4）：462-469.

[7] 吳冬梅，尹以鵬，宋婉瑩，等.改進(jìn)YOLO v4算法的電動(dòng)車駕駛員頭盔佩戴檢測[J].計(jì)算機(jī)仿真，2023，40（3）：508-513.

[8] 王艷鵬，王振亞，趙繼紅，等.基于輕量化YOLOv4電動(dòng)車頭盔檢測的算法[J].自動(dòng)化應(yīng)用，2022（6）：8-12.

[9] 朱碩，黃劍翔，汪宗洋，等.基于深度學(xué)習(xí)的非機(jī)動(dòng)車頭盔佩戴檢測方法研究[J].電子測量技術(shù)，2022，45（22）：120-127.

[10] 朱周華，齊琦.基于改進(jìn)YOLOv5s電動(dòng)車頭盔的自動(dòng)檢測與識(shí)別[J].計(jì)算機(jī)應(yīng)用，2023，43（4）：1291-1296.

[11] 張瀟藝，楊勝龍.基于YOLOv8的民用船舶影像分類方法研究[J].工業(yè)控制計(jì)算機(jī)，2024，37（4）：72-73，76.

【通聯(lián)編輯：唐一東】